墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
600+累计阅读
623平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
AI摘要
本文介绍在Ubuntu 20.04系统搭建多用户远程桌面共享并实现同时在线使用的方法。先使用脚本安装xrdp，修改配置并启动服务，还给出了创建、删除远程桌面用户及批量操作的脚本。
使用效果：
物理机：
远程桌面用户：
实现过程：
1.使用脚本安装xrdp并修改配置及启动服务
setup_xrdp.sh
超级会员免费看
sudo apt update
sudo apt install xrdp -y
sudo systemctl enable xrdp
sudo systemctl start xrdp
#sudo vim /etc/xrdp/startwm.sh
#unset DBUS_SESSION_BUS_ADDRESS
#unset XDG_RUNTIME_DIR
#sudo echo unset DBUS_SESSION_BUS_ADDRESS >> /etc/xrdp/startwm.sh
#sudo echo unset XDG_RUbuntu 20.04桌面版系统下Xrdp多用户远程桌面安装指南
本文是一篇关于如何在Ubuntu 20.04桌面版系统上安装xrdp的指南。由于Ubuntu 20.04的多用户远程桌面功能非常强大，本文旨在帮助用户顺利完成xrdp的安装。在撰写本文的过程中，作者经过几天的网上资料收集和测试问题的解决，形成了一份完整且实用的安装指南。该指南详细介绍了安装xrdp所需的步骤，包括软件包的安装、配置文件的修改以及防火墙的设置等，旨在帮助读者顺利完成安装过程。一、背景近期，不少用户选择了Ubuntu 20.04桌面版系统，尤其对其多用户远程桌面的功能赞赏有加。
手把手教你用TigerVNC在Ubuntu上搭建‘云电脑’实验室（支持多人同时在线）
本文详细介绍了如何在Ubuntu系统上使用TigerVNC搭建多用户远程桌面实验室，支持多人同时在线操作。通过基础环境准备、多用户体系构建、高级管理技巧和客户端连接指南，帮助教育机构、开发团队和个人用户快速部署高效的云端工作环境。特别适合需要统一开发环境或线上教学的场景。
香橙派5 plus 和 max 装机后的一些技巧,rk3588
5) 然后就能看到 HDMI In 的输入画面了（下图中 HDMI In 显示的是 opi5 开发板 HDMI 输出的画面，此时正在播放一个视频）。脚本默认会将 HDMI In 输入的音频播放到开发板的 HDMI_TX1 、HDMI_TX2 和 ES8388（代表喇叭或者 耳机）中去。2) 首先使用下图所示的 HDMI 转 HDMI 线将其它设备的 HDMI 输出接到开发板的 HDMI In 接口上。l. 然后使用键盘的方向键定位到下图所示的位置，再使用。c. 设置绿灯常亮的命令如下。
告别公网IP烦恼：用Docker和ZeroTier自建私有根服务器，打造高速内网穿透
本文详细介绍了如何利用Docker和ZeroTier自建私有根服务器，解决远程办公中的内网穿透问题。通过SD-WAN技术优化网络性能，实现低延迟、高带宽的虚拟局域网，特别适合跨国团队和合规要求高的场景。文章包含从硬件选型到Docker化部署的完整指南，帮助用户打造自主可控的高速内网穿透方案。
远程控制方案深度对比：ToDesk、RustDesk自建与TightVNC+frp实战指南
从远程桌面协议与内网穿透的基础原理出发，探讨不同场景下远程控制技术的选型思路。文章先厘清商业软件与自建中继的核心差异，随后以frp内网穿透为技术支点，分析RustDesk自建服务器如何平衡可控性与性能，以及TightVNC在低配设备上的轻量价值。通过对比部署复杂度、延迟、安全性等关键指标，并结合实际网络环境测试，给出针对个人应急、多设备管理和老旧主机运维的落地建议。内容聚焦工程实践，帮助读者快速理解远程控制链路的技术逻辑，并自然衔接至主流的ToDesk、RustDesk和TightVNC三种方案。
8核16G云服务器选型指南：场景详解、部署实践与扩容路径
云服务器配置选型是部署应用前的关键决策，CPU与内存的配比直接影响系统承载能力与成本效率。8核16G作为1:2配比的经典规格，在单机Web服务、容器化编排、中小型数据库等场景中表现出优异的平衡性，既能满足Spring Boot、MySQL、Redis等主流技术栈的资源需求，又避免了过度配置带来的浪费。理解其适用边界，掌握从安全加固、环境部署到压测监控的完整流程，能够帮助开发者构建稳定高效的单机生产环境。随着业务增长，纵向升配与横向扩容为后续演进提供了清晰路径，使该配置成为个人项目及小团队长期运行的可靠起点。
修改注册表导致开机时电脑显示“无法登陆到你的账户”的问题解决方案
1.问题描述：开机电脑显示“无法登陆到你的账户：通常可以通过从你的账户注销，然后重新登陆来解决问题，如果不立即注销，你创建的任何文件或进行的任何更改都将会丢失。” 2.问题原因：想要修改cmd中的用户名（红色部分），修改了注册表，重启时出现问题。 3.问题解决： win+R输入cmd，确定进入注册表界面，将下面的地址复制进地址栏（你也可以自己按目录查找），双击ProfileImage...
【NTN 卫星通信】Starlink 星链卫星有多大？详解尺寸与技术参数
SpaceX的星链项目正在重塑全球互联网连接，尤其是在服务不足的地区。但星链卫星的实际尺寸有多大？
HLM（多层线性模型）在stata中语句
在阅读CEPS中发现有些研究采用的是HLM模型，HLM简单来说用一个方程跑两个回归。举例，对学习成绩影响因素，不同层有不同的影响，如在个体层面上个体特征会对成绩产生影响，在学校层面学校排名等因素会对成绩产生影响，两种因素不在一个层面，每层造成的差异都不相同。 在找相关语句时候发现操作这个语句的软件大多是SPSS和HLM，对于stata操作者并不友好。因此，在有限资料中总结了HLM在stata中的语句，后面会附上学习视频和链接。 先放语句，后面对方程式一个大致解析。由于针对HLM有一本书的介绍，可能一篇文章无
DELPHI11 利用Android手机实现条码扫描功能
好了，整个过程全部结束，当然这只是最简单的例子，只是演示一下如何识别条码，更多的条码处理功能，比如优化，提速等需要在后面继续。安装过程中所有提示框全部按OK就可以，直到提示安装成功，那么ZXing库就成功完成了安装。点击红框标识的文件夹图标，将下载的ZXing库文件路径加入进来后，点ADD。第三步：选择下载的ZXing库路径，并按Ctrl + A进行全选，并导入。至此为止，我们的库才算是全部安装完成，可以在DELPHI 中正常引用了。2.打开相机，识别条码，并将条码内容显示在MEMO1中。
ESP8266+ITR8307实战：如何用反射式光电管实现5cm远距离检测（附避坑指南）
本文详细介绍了如何利用ESP8266的ADC功能与ITR8307反射式光电管，通过调制解调、硬件电路优化及软件同步采样策略，实现5cm稳定远距离检测。文章提供了完整的硬件设计、代码实现与调优避坑指南，有效解决了环境光干扰与信号衰减难题，适用于智能车、自动化等需要可靠非接触检测的项目。
AI上推荐 之 多任务loss优化(自适应权重篇)
1. 写在前面 在多任务学习中，往往会将多个相关的任务放在一起来学习。例如在推荐系统中，排序模型同时预估候选的点击率和浏览时间。相对于单任务学习，多任务学习有以下优势： 多个任务共享一个模型，占用内存量减少； 多个任务一次前向计算得出结果，推理速度增加； 关联任务通过共享信息，相互补充，可以提升彼此的表现。 前面的一篇文章，主要是从模型结构的角度聊了下多任务学习，介绍了工业界非常经典也常用的MMOE模型，然而，对于多任务学习， Loss的优化也非常重要， 因为我们知道通过多个目标去指导网络进行统一的训练
黏菌优化算法（SMA）详解：从生物智能到优化引擎
黏菌优化算法(SMA)是一种新型生物启发式优化算法，模拟多头绒泡菌的智能觅食行为。该算法包含接近食物、包围食物和抓取食物三个阶段，通过数学模型将生物行为转化为优化过程。SMA采用权重自适应机制和参数振荡模型实现探索与开发的平衡，具有参数简单、收敛性好等优势。算法可通过MATLAB/Python实现，并应用于函数优化、工程设计和神经网络训练等领域。研究表明SMA在求解复杂优化问题时表现优异，未来可通过混沌增强、混合策略等方式进一步提升性能。
uniapp - [微信小程序] 实现点击预览各种文件 pdf文档、视频mp4、mp3音乐、图片图像、word/excel/ppt 等，uniapp小程序文件预览功能（详细示例代码，一键复制开箱即用）
uniapp，uniapp微信小程序,支付宝小程序平台端，uniapp实现文件在线预览，uniapp微信小程序怎么实现预览视频mp4,mp3音乐,图片,office文档，小程序平台如何在线预览word/excel/ppt文档，uniapp实现小程序端的文件查看功能，uniapp小程序端实现pdf文件预览，uniapp纯前端预览PDF、DOC、DOCX、图片、视频，uni-app文档、图片预览查看，uniapp文档预览功能，uniapp小程序端文件预览，uniapp小程序平台纯前端解析word,pdf,xls
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
2950
扫一扫
